KnownForecastingModels enum

Pacchetto:

@azure/arm-machinelearning

Valori noti di ForecastingModels accettati dal servizio.

Campi

Arimax	Un modello ARIMAX (Autoregressive Integrated Moving Average with Explanatory Variable) può essere considerato come un modello di regressione multiplo con uno o più termini ar (Autoregressive Integrated Moving Average) e/o uno o più termini di media mobile (MA). Questo metodo è adatto per la previsione quando i dati sono stazionari/non stazionari e multivariati con qualsiasi tipo di modello di dati, ad esempio level/trend /seasonality/cyclicity.
AutoArima	Il modello ARIMA (Auto-Autoregressive Integrated Moving Average) usa i dati delle serie temporali e l'analisi statistica per interpretare i dati ed eseguire stime future. Questo modello mira a spiegare i dati usando i dati delle serie temporali sui valori precedenti e usa la regressione lineare per eseguire stime.
Average	Il modello di previsione media esegue stime portando avanti la media dei valori di destinazione per ogni serie temporale nei dati di training.
DecisionTree	Gli alberi delle decisioni sono un metodo di apprendimento con supervisione non parametrica usato per le attività di classificazione e regressione. L'obiettivo è creare un modello che stima il valore di una variabile di destinazione apprendendo semplici regole decisionali dedotte dalle funzionalità dei dati.
ElasticNet	La rete elastica è un tipo comune di regressione lineare regolarizzata che combina due penalità comuni, in particolare le funzioni di penalità L1 e L2.
ExponentialSmoothing	Lo smoothing esponenziale è un metodo di previsione delle serie temporali per dati univariati che possono essere estesi per supportare i dati con una tendenza sistematica o un componente stagionale.
ExtremeRandomTrees	Extreme Trees è un algoritmo di Machine Learning di insieme che combina le stime di molti alberi delle decisioni. È correlato all'algoritmo di foresta casuale ampiamente usato.
GradientBoosting	La tecnica di transito degli studenti delle settimane in un forte apprendimento è chiamata Boosting. Il processo dell'algoritmo di boosting sfumatura funziona su questa teoria dell'esecuzione.
KNN	L'algoritmo K-nearest neighbors (KNN) usa la "somiglianza delle caratteristiche" per stimare i valori dei nuovi punti dati, il che significa che al nuovo punto dati verrà assegnato un valore in base al livello di corrispondenza dei punti nel set di training.
LassoLars	Il modello Lasso si adatta con Least Angle Regression a.k.a. Lars. Si tratta di un modello lineare sottoposto a training con un L1 precedente come regolarizzatore.
LightGBM	LightGBM è un framework di boosting delle sfumature che usa algoritmi di apprendimento basati su albero.
Naive	Il modello di previsione Naive esegue stime portando avanti il valore di destinazione più recente per ogni serie temporale nei dati di training.
Prophet	Prophet è una procedura per prevedere i dati delle serie temporali in base a un modello aggiuntivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle festività. Funziona meglio con le serie temporali con forti effetti stagionali e diverse stagioni di dati cronologici. Profeta è affidabile per i dati mancanti e i cambiamenti nella tendenza, e in genere gestisce bene gli outlier.
RandomForest	La foresta casuale è un algoritmo di apprendimento supervisionato. La "foresta" che compila, è un insieme di alberi delle decisioni, di solito addestrati con il metodo "bagging". L'idea generale del metodo di bagging è che una combinazione di modelli di apprendimento aumenta il risultato complessivo.
SeasonalAverage	Il modello di previsione della media stagionale esegue stime portando avanti il valore medio della stagione più recente dei dati per ogni serie temporale nei dati di training.
SeasonalNaive	Il modello di previsione Stagionale Naive esegue stime portando avanti la stagione più recente dei valori di destinazione per ogni serie temporale nei dati di training.
SGD	SGD: la discesa del gradiente stocastico è un algoritmo di ottimizzazione spesso usato nelle applicazioni di Machine Learning per trovare i parametri del modello che corrispondono alla migliore corrispondenza tra output stimati e effettivi. È una tecnica inesatta ma potente.
TCNForecaster	TCNForecaster: Previsione reti convoluzionali temporali. TODO: chiedere al team di previsione per una breve introduzione.
XGBoostRegressor	XGBoostRegressor: Il regressore di boosting gradiente estremo è un modello di Machine Learning supervisionato usando un insieme di studenti di base.